SVM参数

sklearn.svm.OneClassSVM

• class sklearn.svm.OneClassSVM(*, kernel='rbf', degree=3, gamma='scale', coef0=0.0, tol=0.001, nu=0.5, shrinking=True, cache_size=200, verbose=False, max_iter=- 1) [来源]

• 无监督外差检测。

  估计高维分布的支持度。

  它的实现是基于libsvm的。

  在《用户指南》中阅读更多内容。

  • Parameters

  • • kernel{'linear’, 'poly’, 'rbf’, 'sigmoid’, 'precomputed’}, default=’rbf’

    • 指定算法中要使用的内核类型。它必须是“线性”，“多边形”，“ rbf”，“ Sigmoid”，“预先计算”或可调用的一个。如果没有给出，将使用“ rbf”。如果给出了可调用对象，则将其用于预先计算内核矩阵。

    • degreeint, default=3

    • 多项式内核函数的度（“ poly”）。被所有其他内核忽略。

    • gamma{'scale’, 'auto’} or float, default=’scale’

    • “ rbf”，“ poly”和“ Sigmoid”的内核系数。

      • 如果传递了 gamma='scale' （默认值），则它将1 /（n_features * X.var（））用作gamma值，

      • 如果为'auto'，则使用1 / n_features。

      在版本0.22中更改： gamma 的默认值从“自动”更改为“缩放”。

    • coef0float, default=0.0

    • 内核函数中的独立术语。它仅在“ poly”和“ Sigmoid”中有意义。

    • tolfloat, default=1e-3

    • 停止标准的公差。

    • nufloat, default=0.5

    • 训练误差分数的上界和支持向量分数的下界。应该在区间(0,1]中。默认取0.5。

    • shrinkingbool, default=True

    • 是否使用缩小的启发式方法。请参阅《用户指南》。

    • cache_sizefloat, default=200

    • 指定内核缓存的大小(单位:MB)。

    • verbosebool, default=False

    • 启用verbose输出。请注意,此设置利用了 libsvm 中的每进程运行时设置,如果启用,可能无法在多线程环境中正常工作。

    • max_iterint, default=-1

    • 对求解器内的迭代进行硬限制,如果没有限制,则为-1。

  • Attributes

  • • class_weight_ndarray of shape (n_classes,)

    • 每个类的参数C的乘数。根据 class_weight 参数进行计算。

    • coef_ndarray of shape (1, n_features)

    • 分配给特征的权重(原始问题中的系数)。这只有在线性核的情况下才有。

      coef_ 是从 dual_coef_ 和 support_vectors_ 派生的只读属性。

    • dual_coef_ndarray of shape (1, n_SV)

    • 决策函数中支持向量的系数。

    • fit_status_int

    • 如果安装正确,则为0,否则为1(将发出警告)。

    • intercept_ndarray of shape (1,)

    • 决策函数中的常数。

    • n_support_ndarray of shape (n_classes,), dtype=int32

    • 每个类的支持向量的数量。

    • offset_float

    • 偏移量用于根据原始分数定义决策函数。我们具有以下关系：Decision_function = score_samples- offset_ 。偏移量与 intercept_ 相反，并且为与其他异常值检测算法保持一致而提供。

      0.20版本的新内容。

    • shape_fit_tuple of int of shape (n_dimensions_of_X,)

    • 训练向量 X 的数组维数。

    • support_ndarray of shape (n_SV,)

    • 支持向量的指数。

    • support_vectors_ndarray of shape (n_SV, n_features)

    • 支持向量。

  Examples

  >>> from sklearn.svm import OneClassSVM>>> X = [[0], [0.44], [0.45], [0.46], [1]]>>> clf = OneClassSVM(gamma='auto').fit(X)>>> clf.predict(X)array([-1,  1,  1,  1, -1])>>> clf.score_samples(X)array([1.7798..., 2.0547..., 2.0556..., 2.0561..., 1.7332...])

  Methods

  decision_function(X)	到分离超平面的符号距离。
  fit （X [，y，sample_weight]）	检测样本集X的软边界。
  fit_predict （X [，y]）	对X进行拟合,并返回X的标签。
  get_params([deep])	获取该估计器的参数。
  predict(X)	对X中的样本进行分类。
  score_samples(X)	样本的原始评分功能。
  set_params(**params)	设置该估计器的参数。

  • decision_function(X)[source]

  • 到分离超平面的符号距离。

    有符号的距离,对内者为正,对外者为负。

    • Parameters

    • • Xarray-like of shape (n_samples, n_features)

      • 数据矩阵。

    • Returns

    • • decndarray of shape (n_samples,)

      • 返回样本的决策函数。

  • fit(X, y=None, sample_weight=None, **params) [来源]

  • 检测样本集X的软边界。

    • Parameters

    • • X{array-like, sparse matrix} of shape (n_samples, n_features)

      • 样本集,其中n_samples为样本数,n_features为特征数。

      • sample_weightarray-like of shape (n_samples,), default=None

      • 每个样本的权重。重新调整每个样本的C。较高的权重迫使分类器更加重视这些点。

      • yIgnored

      • 不使用,为了保持API的一致性而约定使用。

    • Returns

    • • selfobject

    Notes

    如果X不是一个C顺序的连续数组,就会被复制。

  • fit_predict(X, y=None)[source]

  • 对X进行拟合,并返回X的标签。

    离群值为-1,离群值为1。

    • Parameters

    • • X{array-like, sparse matrix, dataframe} of shape (n_samples, n_features)

      • yIgnored

      • 未使用,按惯例为API一致性而存在。

    • Returns

    • • yndarray of shape (n_samples,)

      • 离群值为1,离群值为-1。

  • get_params(deep=True)[source]

  • 获取该估计器的参数。

    • Parameters

    • • deepbool, default=True

      • 如果为True,将返回这个估计器和包含的子对象的估计器的参数。

    • Returns

    • • paramsdict

      • 对应到其值的参数名称。

  • predict(X)[source]

  • 对X中的样本进行分类。

    对于单类模型,返回+1或-1。

    • Parameters

    • • X{array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples_test, n_samples_train)

      • 对于内核=“预先计算”，X的预期形状为（n_samples_test，n_samples_train）。

    • Returns

    • • y_predndarray of shape (n_samples,)

      • X中样本的类标签。

  • score_samples(X)[source]

  • 样本的原始评分功能。

    • Parameters

    • • Xarray-like of shape (n_samples, n_features)

      • 数据矩阵。

    • Returns

    • • score_samplesndarray of shape (n_samples,)

      • Returns the (unshifted)scoring function of the samples.

  • set_params(**params)[source]

  • 设置该估计器的参数。

    该方法适用于简单的估计器以及嵌套对象（例如 Pipeline ）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

    • Parameters

    • • **paramsdict

      • 估计器参数:

    • Returns

    • • selfestimator instance

      • 估算机实例。

使用 sklearn.svm.OneClassSVM 的示例

真实数据集的离群值检测

物种分布建模

Libsvm GUI

比较玩具数据集上的异常点检测算法

非线性内核(RBF)的一类SVM。